Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do Edge AI i Nano Banana

  • Kluczowe cechy obciążeń Edge AI
  • Architektura i możliwości Nano Banana
  • Porównanie strategii wdrażania na urządzeniach brzegowych i w chmurze

Przygotowanie modeli do wdrożenia na urządzeniach brzegowych

  • Wybór modelu i ocena bazowa
  • Uwzględnienie zależności i kompatybilności
  • Eksportowanie modeli do dalszej optymalizacji

Techniki kompresji modeli

  • Strategie przycinania i strukturalna rzadkość
  • Udostępnianie wag i redukcja parametrów
  • Ocena wpływu kompresji

Kwantyzacja dla wydajności na urządzeniach brzegowych

  • Metody kwantyzacji po treningu
  • Ścieżki pracy z uwzględnieniem kwantyzacji
  • Podejścia INT8, FP16 i mieszanej precyzji

Przyspieszanie z Nano Banana

  • Korzystanie z akceleratorów Nano Banana
  • Integracja ONNX i backendów sprzętowych
  • Benchmarking przyspieszonej inferencji

Wdrażanie na urządzeniach brzegowych

  • Integracja modeli z aplikacjami wbudowanymi lub mobilnymi
  • Konfiguracja i monitorowanie środowiska uruchomieniowego
  • Rozwiązywanie problemów związanych z wdrażaniem

Profilowanie wydajności i analiza kompromisów

  • Ograniczenia opóźnienia, przepustowości i temperatury
  • Kompromisy między dokładnością a wydajnością
  • Strategie iteracyjnej optymalizacji

Najlepsze praktyki w utrzymywaniu systemów Edge AI

  • Wersjonowanie i ciągłe aktualizacje
  • Zarządzanie cofaniem wersji modeli i kompatybilnością
  • Zagadnienia bezpieczeństwa i integralności

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie procesów uczenia maszynowego
  • Doświadczenie w tworzeniu modeli w Pythonie
  • Znajomość architektur sieci neuronowych

Grupa docelowa

  • Inżynierowie uczenia maszynowego
  • Analitycy danych
  • Praktycy MLOps
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie